論文の概要: Dimensionality Reduction for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2609.10334v1
• Date: Wed, 09 Sep 2026 15:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.083198
• Title: Dimensionality Reduction for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のための次元化
• Abstract要約: データの次元的削減と適切な教師付き分類手法の選択という2つの基本的な側面を扱う。 主成分分析(PCA)と線形判別分析(LDA)の2つの手法について検討する。 我々は,K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF) の3つの手法の性能を比較した。
• 参考スコア（独自算出の注目度）: 3.7015437844242904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the issue of supervised classification in the context of hyperspectral satellite images. It deals with two fundamental aspects: dimensionality reduction of data and the selection of appropriate supervised classification techniques. Firstly, we delve into dimensionality reduction, a critical step in simplifying the management of hyperspectral data. The reduction aims to decrease complexity in terms of memory and computing time. We examine two commonly used methods: Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA). Subsequently, we explore the selection of the most suitable supervised classification algorithms for hyperspectral images. We compare the performance of three methods: K-Nearest Neighbors (KNN), Support Vector Machines (SVM), and Random Forest (RF) using real hyperspectral data. The results highlight that the combination of PCA and RF yields the highest overall accuracy and Kappa coefficient.
• Abstract（参考訳）: 本稿では、ハイパースペクトル衛星画像の文脈における教師付き分類の問題に対処する。 データの次元的削減と適切な教師付き分類手法の選択という2つの基本的な側面を扱う。 まず,高スペクトルデータの管理を簡略化するための重要なステップである次元削減について検討する。 この削減は、メモリとコンピューティング時間の複雑さを減らすことを目的としている。 本稿では,主成分分析 (PCA) と線形識別分析 (LDA) の2つの手法について検討する。 その後、ハイパースペクトル画像のための最も適切な教師付き分類アルゴリズムの選択について検討する。 我々は,K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF) の3つの手法の性能を比較した。 その結果,PCAとRFの組み合わせが最も精度が高く,Kappa係数が高いことがわかった。

関連論文リスト

• Randomized Principal Component Analysis for Hyperspectral Image Classification [0.0]
  2つのハイパースペクトルデータセットの分類において,特徴量を20と30に減らした。 最も高い分類精度は、LightGBMによって0.9925と0.9639と得られた。
  論文  参考訳（メタデータ） (2024-03-14T05:40:23Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information [0.0]
  ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。 スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。 3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2022-11-01T13:19:08Z)
• A novel information gain-based approach for classification and dimensionality reduction of hyperspectral images [0.0]
  本稿では,高スペクトル画像の次元化と分類のための情報ゲインに基づく新しいフィルタ手法を提案する。 ハイパースペクトル帯の選択に基づく特別な戦略が採用され、最も情報性の高いバンドを選択し、無関係でノイズの多いバンドを捨てる。 提案手法は,2つのベンチマークハイパースペクトルデータセット(インド,パヴィア)と3つの競合する手法を用いて比較する。
  論文  参考訳（メタデータ） (2022-10-26T20:59:57Z)
• New wrapper method based on normalized mutual information for dimension reduction and classification of hyperspectral images [0.0]
  正規化相互情報(NMI)と誤り確率(PE)に基づく新しいラッパー手法を提案する。 NASAのAVIRIS(Airborne Visible/Infrared Imaging Spectrometer Sensor)が捉えた、2つの挑戦的なハイパースペクトルベンチマークデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2022-10-25T21:17:11Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Class-Wise Principal Component Analysis for hyperspectral image feature extraction [0.0]
  本稿では,超スペクトルデータの教師付き特徴抽出法であるクラスワイズ主成分分析について述べる。 次元削減は超スペクトル画像分類タスクを補完する重要な前処理ステップである。
  論文  参考訳（メタデータ） (2021-04-09T17:25:11Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。